OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍

最新推荐文章于 2025-10-14 18:22:58 发布
原创 最新推荐文章于 2025-10-14 18:22:58 发布 · 1.9k 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #opencv #深度学习 #计算机视觉 #图像处理 #c++ #c#

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：OpenCV图像拼接--Stitching detailed使用与参数介绍

 关于OpenCV图像拼接的方法，如果不熟悉的话，可以先看看公众号整理的如下四篇文章介绍：

本篇文章是Stitcher类的扩展介绍，通过例程stitching_detailed.cpp的使用和参数介绍，帮助大家了解Stitcher类拼接的具体步骤和方法，先看看其内部的流程结构图(如下)：

stitching_detailed.cpp目录如下，可以在自己安装的OpenCV目录下找到，笔者这里使用的OpenCV4.4版本，stitching_detailed.cpp具体源码如下目录，由于代码较多，这里不贴出来，大家找到位置自行查阅。

stitching_detail 程序运行流程

  • 命令行调用程序，输入源图像以及程序的参数      

  • 特征点检测，判断是使用 surf 还是 orb，默认是 surf

  • 对图像的特征点进行匹配，使用最近邻和次近邻方法，将两个最优的匹配的置信度 保存下来

  • 对图像进行排序以及将置信度高的图像保存到同一个集合中，删除置信度比较低的图像间的匹配，得到能正确匹配的图像序列。这样将置信度高于门限的所有匹配合并到一个集合中 

  • 对所有图像进行相机参数粗略估计，然后求出旋转矩阵

  • 使用光束平均法进一步精准的估计出旋转矩阵

  • 波形校正，水平或者垂直

  • 拼接      

  • 融合，多频段融合，光照补偿

stitching_detail 程序接口介绍 

  • img1 img2 img3 输入图像      

  • --preview  以预览模式运行程序，比正常模式要快，但输出图像分辨率低，拼接的分辨 率 compose_megapix 设置为 0.6

  • --try_gpu  (yes|no)  是否使用 CUDA加速，默认为 no，使用CPU模式

  • /* 运动估计参数 */    

  • --work_megapix <--work_megapix <float>> 图像匹配时的分辨率大小，默认为 0.6    

  • --features (surf | orb | sift | akaze) 选择 surf 或者 orb 算法进行特征点匹配，默认为 surf  

  • --matcher (homography | affine) 用于成对图像匹配的匹配器  

  • --estimator (homography | affine) 用于转换估计的估计器类型

  • --match_conf <float> 特征点匹配步骤的匹配置信度，最近邻匹配距离与次近邻匹配距离的比值，surf 默认为 0.65，orb 默认为 0.3    

  • --conf_thresh <float> 两幅图来自同一全景图的置信度，默认为 1.0    

  • --ba (no | reproj | ray | affine) 光束平均法的误差函数选择，默认是 ray 方法    

  • --ba_refine_mask (mask) 光束平均法设置优化掩码

  • --wave_correct (no|horiz|vert) 波形校验水平，垂直或者没有 默认是 horiz(水平)

  • --save_graph <file_name> 将匹配的图形以点的形式保存到文件中， Nm 代表匹配的数量，NI代表正确匹配的数量，C 表示置信度

  • /*图像融合参数:*/ 

  • --warp (plane|cylindrical|spherical|fisheye|stereographic|compressedPlaneA2B1|compressedPla  neA1.5B1|compressedPlanePortraitA2B1|compressedPlanePortraitA1.5B1|paniniA2B1|paniniA1.5B1|paniniPortraitA2B1|paniniPor traitA1.5B1|mercator|transverseMercator)     选择融合的平面，默认是球形    

  • --seam_megapix <float> 拼接缝像素的大小 默认是 0.1

  • --seam (no|voronoi|gc_color|gc_colorgrad) 拼接缝隙估计方法 默认是 gc_color    

  • --compose_megapix <float> 拼接分辨率，默认为-1    

  • --expos_comp (no|gain|gain_blocks) 光照补偿方法，默认是 gain_blocks    

  • --blend (no|feather|multiband) 融合方法，默认是多频段融合    

  • --blend_strength <float> 融合强度，0-100.默认是 5.    

  • --output <result_img> 输出图像的文件名，默认是 result,jpg     命令使用实例，以及程序运行时的提示：

上面使用默认参数，详细输出信息如下：

E:\Practice\OpenCV\Algorithm_Summary\Image_Stitching\x64\Debug>05_Image_Stitch_Stitching_Detailed.exe ./imgs/boat1.jpg ./imgs/boat2.jpg ./imgs/boat3.jpg ./imgs/boat4.jpg ./imgs/boat5.jpg ./imgs/boat6.jpg
Finding features...
[ INFO:0] global C:\build\master_winpack-build-win64-vc15\opencv\modules\core\src\ocl.cpp (891) cv::ocl::haveOpenCL Initialize OpenCL runtime...
Features in image #1: 500
[ INFO:0] global C:\build\master_winpack-build-win64-vc15\opencv\modules\core\src\ocl.cpp (433) cv::ocl::OpenCLBinaryCacheConfigurator::OpenCLBinaryCacheConfigurator Successfully initialized OpenCL cache directory: C:\Users\A4080599\AppData\Local\Temp\opencv\4.4\opencl_cache\
[ INFO:0] global C:\build\master_winpack-build-win64-vc15\opencv\modules\core\src\ocl.cpp (457) cv::ocl::OpenCLBinaryCacheConfigurator::prepareCacheDirectoryForContext Preparing OpenCL cache configuration for context: NVIDIA_Corporation--GeForce_GTX_1070--411_31
Features in image #2: 500
Features in image #3: 500
Features in image #4: 500
Features in image #5: 500
Features in image #6: 500
Finding features, time: 5.46377 sec
Pairwise matching
Pairwise matching, time: 3.24159 sec
Initial camera intrinsics #1:
K:[534.6674906996568, 0, 474.5; 0, 534.6674906996568, 316; 0, 0, 1]
R:[0.91843718, -0.09762425, -1.1678253; 0.0034433089, 1.0835428, -0.025021957; 0.28152198, 0.16100603, 0.91920781]
Initial camera intrinsics #2:
K:[534.6674906996568, 0, 474.5; 0, 534.6674906996568, 316; 0, 0, 1]
R:[1.001171, -0.085758291, -0.64530683; 0.010103324, 1.0520245, -0.030576767; 0.15743911, 0.12035993, 1]
Initial camera intrinsics #3:
K:[534.6674906996568, 0, 474.5; 0, 534.6674906996568, 316; 0, 0, 1]
R:[1, 0, 0; 0, 1, 0; 0, 0, 1]
Initial camera intrinsics #4:
K:[534.6674906996568, 0, 474.5; 0, 534.6674906996568, 316; 0, 0, 1]
R:[0.8474561, 0.028589081, 0.75133896; -0.0014587968, 0.92028928, 0.033205934; -0.17483309, 0.018777205, 0.84592116]
Initial camera intrinsics #5:
K:[534.6674906996568, 0, 474.5; 0, 534.6674906996568, 316; 0, 0, 1]
R:[0.60283858, 0.069275051, 1.2121853; -0.014153662, 0.85474133, 0.014057174; -0.29529575, 0.053770453, 0.61932623]
Initial camera intrinsics #6:
K:[534.6674906996568, 0, 474.5; 0, 534.6674906996568, 316; 0, 0, 1]
R:[0.41477469, 0.075901195, 1.4396564; -0.015423983, 0.82344943, 0.0061162044; -0.35168326, 0.055747174, 0.42653102]
Camera #1:
K:[1068.953598931666, 0, 474.5; 0, 1068.953598931666, 316; 0, 0, 1]
R:[0.84266716, -0.010490002, -0.53833258; 0.004485324, 0.99991232, -0.01246338; 0.53841609, 0.0080878884, 0.84264034]
Camera #2:
K:[1064.878323247434, 0, 474.5; 0, 1064.878323247434, 316; 0, 0, 1]
R:[0.95117813, -0.015436338, -0.3082563; 0.01137107, 0.99982315, -0.014980057; 0.308433, 0.010743499, 0.95118535]
Camera #3:
K:[1065.382193682081, 0, 474.5; 0, 1065.382193682081, 316; 0, 0, 1]
R:[1, -1.6298145e-09, 0; -1.5716068e-09, 1, 0; 0, 0, 1]
Camera #4:
K:[1067.611537959627, 0, 474.5; 0, 1067.611537959627, 316; 0, 0, 1]
R:[0.91316396, -7.9067249e-06, 0.40759254; -0.0075879274, 0.99982637, 0.017019274; -0.4075219, -0.018634165, 0.91300529]
Camera #5:
K:[1080.708135180496, 0, 474.5; 0, 1080.708135180496, 316; 0, 0, 1]
R:[0.70923853, 0.0025724203, 0.70496398; -0.0098195076, 0.99993235, 0.0062302947; -0.70490021, -0.01134116, 0.70921582]
Camera #6:
K:[1080.90412660159, 0, 474.5; 0, 1080.90412660159, 316; 0, 0, 1]
R:[0.49985889, 3.5938341e-05, 0.86610687; -0.00682831, 0.99996907, 0.0038993564; -0.86607999, -0.0078631733, 0.49984369]
Warping images (auxiliary)...
Warping images, time: 0.0791121 sec
Compensating exposure...
Compensating exposure, time: 0.72288 sec
Finding seams...
Finding seams, time: 3.09237 sec
Compositing...
Compositing image #1
Multi-band blender, number of bands: 8
Compositing image #2
Compositing image #3
Compositing image #4
Compositing image #5
Compositing image #6
Compositing, time: 13.7766 sec
Finished, total time: 29.4535 sec

输入图像boat1.jpg、boat2.jpg、boat3.jpg、boat4.jpg、boat5.jpg、boat6.jpg如下(可以在OpenCV安装目录下找到D:\OpenCV4.4\opencv_extra-master\testdata\stitching)

结果图：

参数warp_type 设置为"plane"，效果图如下：

参数warp_type 设置为"fisheye"，效果图如下(旋转90°后)：

其他的参数可以根据自己需要修改，如果要自己完成还需要详细了解拼接步骤再优化。

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。

使用Python-OpenCV对多张图片进行全景图像拼接消除鬼影消除裂缝源码.zip
05-02
对多张图片进行基于SIFT的特征检测算法，如果符合最小拼接要求大的关键点matchKeypoints数量，使用OpenCV-Python自带的stitching方法进行全景拼接，但是对于拼接后的黑边裁剪效果不好，可以修改优化。 使用方式 ...
panoramas-image-stitching::framed_picture:将图像拼接成360个全景图
05-28
全景图拼接 要求 python3（或更高版本） opencv 3（4+可能会遇到问题。参考 ） 您将需要使用pip3安装一些软件包： 麻木 matplotlib 用法 $ python main.py < input img dir > # for example $ python ./...
stitching_detail算法介绍
恋上蛋炒面的专栏
09-23 2万+
一、stitching_detail程序运行流程       1.命令行调用程序，输入源图像以及程序的参数       2.特征点检测，判断是使用surf还是orb，默认是surf。       3.对图像的特征点进行匹配，使用最近邻和次近邻方法，将两个最优的匹配的置信度保存下来。       4.对图像进行排序以及将置信度高的图像保存到同一个集合中，删除置信度比较低的图像间的匹配，得到能
OpenCV图像拼接-Stitcher类-Stitching detailed使用与参数介绍
Color Space的博客
10-17 1万+
关于OpenCV图像拼接的方法，如果不熟悉的话，可以先看看我整理的如下四篇博客： OpenCV常用图像拼接方法(一) ：直接拼接(硬拼)
【OpenCV】stitching 模块：图像拼接
最新发布
彬彬侠的博客
10-14 1153
OpenCV的stitching模块提供了一套完整的图像拼接解决方案，支持全景摄影、医学影像、地图生成等应用。该模块通过特征检测与匹配（如ORB/SIFT）、相机参数估计、图像配准（平面/圆柱/球面投影）和多带融合等步骤，实现高质量的无缝拼接。核心类是cv2.Stitcher，支持C++和Python接口。使用时需确保输入图像有足够重叠区域（>20%），并可通过调整投影方式、融合算法等参数优化结果。学习建议包括掌握Stitcher类、理解子模块协作，并进行实际项目练习。注意部分高级功能需要opencv
【OpenCV】全景拼接_多张图像拼接(stitching_detailed)
11-02
版本号：OpenCV-4.1.1、opencv_contrib-4.1.1、Visual Studio 2015。 基于OpenCV4.1.1帮助文档内Examples的stitching_detail.cpp改编。 包括提取特征点、特征点匹配、特征点提纯、预估相机参数、全面细化相机参数、图像变换、补偿曝光器、边缘拼接器、图像融合等功能，可对两张以上的图片进行融合，得到效果很好的全景图。 运行结果：https://blog.youkuaiyun.com/GIS_feifei/article/details/102875389
OpenCV Stitching_detailed 详解
jyl1999xxxx的博客
03-16 5422
算法流程函数： 1. (*finder)(img, features[i]) Mathematical explanation: Refer to BRIEF: Binary Robust Independent Elementary Features and ORB: An efficient alternative to SIFT or SURF ...\sources\modul
opencv opencl加速_OpenCV图像拼接终章Stitching detailed使用与参数介绍
weixin_39612228的博客
12-06 1169
关于OpenCV图像拼接的方法，如果不熟悉的话，可以先看看公众号整理的如下四篇文章介绍：OpenCV常用图像拼接方法(一)：直接拼接(硬拼)OpenCV常用图像拼接方法(二)：基于模板匹配拼接OpenCV常用图像拼接方法(三)：基于特征匹配拼接OpenCV常用图像拼接方法(四)：基于Stitcher类拼接本篇文章是Stitcher类的扩展介绍，通过例程stitching_...
matlab全景图拼接代码-Image-Panoramic-Stitching:CPP和Python中使用OpenCV的图像处理示例代码
06-02
matlab全景图代码图像全景拼接 图像处理示例代码在 CPP 中使用 OpenCV 和 Python 创建全景图像 全景拼接图像 CPP - PanoStitchCPP.cpp 拼接 一起 全景拼接图像 Python - PanoStitchPY.py 拼接 一起 全景拼接图像 ...
OpenCV-Python实战（1）——OpenCV简介与图像处理基础
热门推荐
盼小辉丶的博客
08-10 27万+
OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。在本文中，将介绍 OpenCV 库，包括它的主要模块和典型应用场景，同时使用 OpenCV-Python 实战讲解图像处理基础要点。
Opencv2.4.9源码分析——Stitching（三）
赵春江的专栏
12-15 2万+
3、相机参数评估 3.1 原理 相机参数的评估也称为相机定标。要想理解这部分内容，首先应该从成像原理开始讲起。 图6 小孔成像原理 从图6可以看出，真实物体通过小孔映射到成像平面上，小孔到成像平面的距离称为焦距f。在成像平面上的图像是镜像倒立的，所以为了研究方便，在小孔和物体之间定义一个虚拟成像平面（在后面，我们把该平面也称为成像平面），它与小孔的距离也为焦距，则两个成像平面的
openCV中stitching_detailed.cpp
07-02
openCV中stitching_detailed.cpp。很详细的资源。建议做图像拼接的同学下载。
OpenCV stitching-detailed.cpp解读
10-18
OpenCV stitching_detailed.cpp例程的详细解读，包括怎么分析程序和拼接的参数，步骤解读
opencv stitching拼接
02-16
采用opencv stitching拼接一个文件夹下的图片 原文：http://blog.youkuaiyun.com/qq_15947787/article/details/55260572
opencv2.4.9中stitching_detailed源码环境搭建
恋上蛋炒面的专栏
05-07 6806
一、序言                 Opencv中提供Stitcher类，实现了多图像自动拼接，Opencv是开源的，程序实现的源代码都在Opencv安装文件中，以及Opencv提供的函数查询手册和Opencv教程都可以在官网上下载的到，通过这些文档和代码，我们可以很容易就对图像拼接有一个深刻的了解。所以下面，我就教大家怎么把stitcher类的实现源码以及sample的程序变成自己的，随
毕业设计：基于深度学习的视频图像拼接系统
Hai_Lang_IT的博客
04-12 2184
毕业设计：基于ORB的视频图像拼接系统通过结合深度学习和计算机视觉技术，实现了自动化的视频片段拼接和全景图像生成。我们使用ORB算法进行关键特征点提取和匹配，通过准确的图像配准和融合算法，将多个视频片段拼接成连贯的全景图像。为计算机毕业设计提供了一个创新的方向，结合了深度学习和计算机视觉技术，为毕业生提供了一个有意义的研究课题。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，提供了一个具有挑战性和创新性的研究课题。
图像拼接（十）：OPenCV stitching和stitching_detailed
czl389的专栏
03-07 2万+
Stitcher类与detail类OpenCV提供了高级别的函数封装在Stitcher类中，使用很方便，不用考虑太多的细节。低级别函数封装在detail命名空间中，展示了OpenCV算法实现的很多步骤和细节，使熟悉如下拼接流水线的用户，方便自己定制。可见OpenCV图像拼接模块的实现是十分精密和复杂的，拼接的结果很完善，但同时也是费时的，完全不能够实现实时应用。我在研究detail源码时，由于水平有
stitching_detailed参数
weixin_34315189的博客
12-23 353
2019独角兽企业重金招聘Python工程师标准>>> ...
OPenCV 图像拼接之------stitching和stitching_detailed
zchang81的博客
06-21 4234
Stitcher类与detail命名空间OpenCV提供了高级别的函数封装在Stitcher类中，使用很方便，不用考虑太多的细节。低级别函数封装在detail命名空间中，展示了opencv算法实现的很多步骤和细节，使熟悉如下拼接流水线的用户，方便自己定制。可见OpenCV图像拼接模块的实现是十分精密和复杂的，拼接的结果很完善，但同时也是费时的，完全不能够实现实时应用。我在研究detail源码时，由...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值